从信息化人力资源管理到大数据人力资源管理的演进——以腾讯为例（中）.pdf

从信息化人力资源管理到大数据人力资源管理的演进 从信息化人力资源管理到大数据人力资源管理的演进 从信息化人力资源管理到大数据人力资源管理的演进从信息化人力资源管理到大数据人力资源管理的演进 ——以腾讯为例——以腾讯为例（（中中）） ————以腾讯为例以腾讯为例 （（中中）） 2017年 09月 14 日 源数据层：腾讯人力资源的数据源来自招聘、绩效等人力资源实践产生的结构化数据。这 一层最关心的问题是数据汇集和数据质量，源数据需要进行清洗转换，储存在数据仓库中。 目前，腾讯 SDC与源数据层的关联最多，首先，流据信息维护类服务，数据信息一方面由 SDC 的工作人员在系统操作产生，数据信息包括 OD发文操作、员工转正、数据提取、荣誉 数据维护、权限维护等。另一方面，员工通过企业微信中的“HR助手”自助办理事务也产 生源数据；其次，权限配置和系统运维，包括人力资源系统的权限维护，清理和监控；最 后，数据安全和质量，包括数据安全审计，数据质量规范梳理和需求响应，监控运营。 派生数据层：派生数据是对源数据进行计算，形成的便于分析、再次使用的二级数据。如 员工的司龄，等于日期减去入职日期。从人力资源数据管理的角度看，直接用到源数据的 机会少，而应大量地使用派生数据。实施好派生数据层的关键有两个。第一，明确统计范 围和计算逻辑，这样能提升分析的效率和标准化，建立全面、统一、易于调取的派生数据。 第二，派生数据的存储和再利用。好的派生数据层可以将经过初步计算的二级数据进行储 存，并方便其他人在今后使用，提升效率，减少数据冗余和浪费。好的派生数据层存储的 数据应该远大于源数据层。 目前腾讯 SDC 的派生数据层建设尚不完善，首先，统计范围和计算逻辑并不统一，以离职 率为例，离职率可以有不同的算法，如，算法 1：离职率=期间内离职人数/[（期初人数+ 期末人数）/2]×100%；算法 2：离职率=期间内离职人数/预算员工人数×100%。如果每一 个要使用离职率的人都要从原始数据计算得到，那么从原始数据重新计算离职率就需要花 费时间，而不同人采取的方式不同，结果也不同。其次，平台缺乏对派生数据的存储，这 导致大量重复的计算，并产生大量的冗余数据。 建模层：这一层通过需求收集、需求分析、逻辑建模、方案设计等步骤建立对一个问题分 析的指标体系。待分析的问题都是管理者非常关心的问题，例如潜在的优质人才如何识别、 员工健康水平如何管理、绩效表现如何改进等，有了这些问题就要思考问题分析应包括哪 些指标和模块。数据建模是问题分析的思路或逻辑大纲。 应用层：这一层关心的是数据对业务的支撑。腾讯人力资源管理通过成熟型、订单型、定 制型人力资源产品为管理者提供决策支持、运营监控和专业研究，同时为员工提供个人自 助的数据服务。例如，SDC 的管理者应用平台，SDC的 HR在后台进行数据提取、报告制作 和数据分析。管理者从 PC、移动端上直观、清晰、实时地了解团队的人事信息。COE 的活 力实验室主攻应用层，有很多预研性的大数据分析，为管理者提供决策参考。 总结来看，相比信息化人力资源管理，大数据人力资源管理架构更重视派生数据层。好的 派生数据层，需要预先构想数据如何存储和使用派生数据。目前腾讯人力资源的派生数据 层也没有统一，在 COE 的活力实验室使用的是自己独立的数据架构，因此它的派生数据层 和建模层相对完善。SDC的派生数据层比较薄弱。 2.人力资源大数据 腾讯的人力资源管理的数据包括结构化数据和非结构化数据。结构化数据是信息化人力资 源管理阶段，e-HRM系统产生的招聘、绩效等人力资源管理实践的统计数据员工社交网络 上的沟通、网络搜索、电子图片、录像片段和地理位置等数据属于非结构化数据，分散在 腾讯各个体系里。每位员工每分每秒都在产生非结构化数据，涉及到的数据量大，属于大 数据范畴。非结构化数据将成为突破结构化数据的关键，其拦截与分析在技术上已不成问 题，但法律道德的阻碍较大。对比谷歌人力资源管理，它们在源数据层有非结构化数据。 百度人力资源数据库也已经开始纳入非结构化数据。腾讯对非结构化数据把握较严格，腾 讯高层对使用内部沟通、聊天等隐私信息进行分析是比较抵制的。 （二）无形资源的演进 1.大数